張榮，張爍

(1.山西醫(yī)科大學(xué),山西 太原 030001；2.山西青年職業(yè)學(xué)院,山西 太原 030032)

基于分水嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注

張榮1，張爍2

(1.山西醫(yī)科大學(xué),山西 太原 030001；2.山西青年職業(yè)學(xué)院,山西 太原 030032)

圖像分割是圖像理解、模式識(shí)別、計(jì)算機(jī)視覺(jué)等研究方向的一個(gè)重要研究?jī)?nèi)容。圖像分割的方法有很多,將支持向量機(jī)(Support Vector Machine,SVM)應(yīng)用于圖像分割已是一種較為廣泛的分割方法,但該方法大多采用人工方式來(lái)選取訓(xùn)練樣本,降低了圖像分割的自適應(yīng)性,且有可能影響圖像分割的質(zhì)量,因此基于支持向量機(jī)的圖像分割方法的研究?jī)?nèi)容是如何自動(dòng)選擇足夠多且分布良好的訓(xùn)練樣本,并自動(dòng)進(jìn)行類別標(biāo)注。文章提出一種基于分水嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注方法,分水嶺分割區(qū)域的中心點(diǎn)可以看作支持向量機(jī)的訓(xùn)練樣本,將選取的訓(xùn)練樣本對(duì)照分割參考圖中的像素點(diǎn)進(jìn)行類別標(biāo)記。然后對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練,其中選擇圖像的顏色特征和紋理特征作為訓(xùn)練樣本的特征屬性。文章采用的彩色圖像來(lái)自Berkeley圖像數(shù)據(jù)庫(kù)以及互聯(lián)網(wǎng),從實(shí)驗(yàn)結(jié)果可以看出文中提出的方法可取得很好的分割結(jié)果。

圖像分割；分水嶺；支持向量機(jī)

0 引言

圖像分割是模式識(shí)別和圖像處理的重要前提,其分割結(jié)果將直接影響對(duì)圖像的理解和識(shí)別。圖像分割是指將圖像中的不同區(qū)域區(qū)分開(kāi)來(lái),劃分后的區(qū)域是互不相交的,且同一個(gè)區(qū)域內(nèi)的每一個(gè)元素滿足一個(gè)特定的準(zhǔn)則。圖像分割方法有很多,例如神經(jīng)元網(wǎng)絡(luò)方法[1]、基于區(qū)域的方法[2]、特征空間聚類[3]、直方圖閾值法[4]、邊緣檢測(cè)方法[5]等。不同的分割圖像算法特點(diǎn)不同,有的對(duì)復(fù)雜圖像效果不理想,有的分割速度緩慢,有的需要先驗(yàn)信息,有的魯棒性差,存在一定的局限性。

支持向量機(jī)[6]是基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，已經(jīng)廣泛應(yīng)用于數(shù)據(jù)挖掘、圖像分類、模式識(shí)別等多個(gè)領(lǐng)域。近年來(lái)很多基于支持向量機(jī)的圖像分割方法[7-10]被很多學(xué)者關(guān)注并研究,該方法的本質(zhì)大都基于分類,其分割思想是先在圖像中選取訓(xùn)練樣本,訓(xùn)練SVM模型,再用SVM模型對(duì)圖像進(jìn)行分割。但是SVM是一種有監(jiān)督的分類器,訓(xùn)練分類器的訓(xùn)練樣本需要人工給出,如文獻(xiàn)[8]提出的FSVM算法,該算法在訓(xùn)練分類器時(shí)需要人工給出訓(xùn)練樣本,而人工選取訓(xùn)練樣本具有主觀性,會(huì)導(dǎo)致隨機(jī)性較大,嚴(yán)重影響分割結(jié)果。本文在選取訓(xùn)練樣本時(shí)充分利用了分水嶺算法的特點(diǎn),即可將圖像分為相互獨(dú)立的區(qū)域,選取各個(gè)區(qū)域的中心點(diǎn)作為SVM的訓(xùn)練樣本,這樣選取的訓(xùn)練樣本分布均勻,更具有代表性,彌補(bǔ)人工選取的不足,提高SVM模型的自適應(yīng)性,并且結(jié)合具有很好泛化性能的SVM學(xué)習(xí)方法來(lái)分割彩色圖像。

1 基于分水嶺算法的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注

人工選擇和標(biāo)記訓(xùn)練樣本是大多基于支持向量機(jī)的圖像分割方法必須做的,所以由于非自動(dòng)選取訓(xùn)練樣本帶來(lái)的主觀性導(dǎo)致圖像分割結(jié)果有很大的不同。人工選取訓(xùn)練樣本帶有主觀性,容易影響訓(xùn)練結(jié)果,所以如何避免主觀性帶來(lái)的不良影響是基于支持向量機(jī)的圖像分割方法需要解決的問(wèn)題。本文方法利用分水嶺算法的特點(diǎn)和支持向量機(jī)很好的泛化性,首先用分水嶺算法分割圖像,訓(xùn)練樣本的選取由分水嶺分割區(qū)域的中心點(diǎn)決定,然后預(yù)分割圖像得到二值圖作為分割參考圖,其中二值圖由Otus法得到。對(duì)樣本類別的自動(dòng)標(biāo)注可通過(guò)將所選訓(xùn)練樣本與分割參考圖對(duì)照來(lái)完成,最后用訓(xùn)練樣本訓(xùn)練SVM模型從而完成對(duì)圖像的分割,其中我們選擇圖像顏色特征和紋理特征作為訓(xùn)練樣本的特征屬性[11]。

1.1 基于分水嶺算法的圖像預(yù)分割

Vincent于1991年提出的分水嶺算法[12]是一種形態(tài)學(xué)分割算法。分水嶺算法是一種區(qū)域增長(zhǎng)算法,優(yōu)點(diǎn)有運(yùn)算簡(jiǎn)單、邊緣定位準(zhǔn)確、易于并行處理等。但圖像在處理過(guò)程中由于容易受到噪聲的影響,以及圖像本身細(xì)節(jié)的存在,使圖像可能含有大量的偽極小值,這些偽極小值容易造成分水嶺產(chǎn)生嚴(yán)重的過(guò)分割現(xiàn)象,即圖像被分割成過(guò)多的小區(qū)域,從而無(wú)法得到感興趣的目標(biāo)。

對(duì)于分水嶺的過(guò)分割現(xiàn)象可以采用以下三種方法改進(jìn):(1)預(yù)處理。預(yù)處理的目的是限制區(qū)域個(gè)數(shù)[13],這里我們可以借助先驗(yàn)知識(shí)對(duì)圖像進(jìn)行預(yù)處理。 (2)過(guò)程處理。過(guò)程處理可以去除偽極小區(qū)域,即在圖像分割過(guò)程中添加約束條件。(3)后處理。圖像分割后,可用某種準(zhǔn)則合并分割區(qū)域。本文分水嶺分割方法使用預(yù)處理作為改進(jìn)算法。

1.1.1 構(gòu)建梯度圖像

1.1.2 標(biāo)記提取

由于噪聲和梯度的其他局部不規(guī)則性,導(dǎo)致分水嶺變換直接用于梯度圖像時(shí)容易產(chǎn)生過(guò)分割現(xiàn)象。為了得到可用的分割結(jié)果,我們采用預(yù)處理的改進(jìn)方法,即將先驗(yàn)知識(shí)帶到分割過(guò)程中,進(jìn)一步限制區(qū)域數(shù)目。通過(guò)標(biāo)記提取的方法可以去除梯度圖像中的偽局部極小值點(diǎn),使分割區(qū)域減少。控制過(guò)分割的一種方法是對(duì)圖像中物體進(jìn)行標(biāo)記。擴(kuò)展最大變換(H-maxima)技術(shù)[15]是基于數(shù)學(xué)形態(tài)學(xué)的圖像標(biāo)記方法,本文采用這種方法在梯度圖像中提取區(qū)域極大值作為標(biāo)記,其中參數(shù)h為高度閾值,決定了分割區(qū)域的個(gè)數(shù)。該過(guò)程可由以下幾步實(shí)現(xiàn):一、目標(biāo)標(biāo)記圖像即內(nèi)部標(biāo)記圖像提取。二、背景標(biāo)記圖像即外部標(biāo)記圖像提取。三、修正梯度圖像,抑制過(guò)分割現(xiàn)象。最后,用分水嶺算法對(duì)修正后的梯度圖像進(jìn)行分割。

1.2 基于分水嶺算法的訓(xùn)練樣本的選取

分水嶺分割后的圖像會(huì)產(chǎn)生很多大小不一的封閉區(qū)域,本文利用這些區(qū)域完成SVM訓(xùn)練樣本的自動(dòng)選取。基于SVM的圖像分割方法只有在訓(xùn)練樣本選取的數(shù)量適中且分布均勻情況下才能得到較好的實(shí)驗(yàn)結(jié)果。本文選取訓(xùn)練樣本的過(guò)程如下:

(1)求分水嶺分割區(qū)域平均灰度值。每個(gè)區(qū)域由若干個(gè)像素點(diǎn)構(gòu)成,每個(gè)像素點(diǎn)的灰度值可由表示,(0

(1)

(2)確定區(qū)域中心點(diǎn)。每個(gè)區(qū)域的中心點(diǎn)可以定義為與區(qū)域平均灰度值Ci相同或最接近的某個(gè)像素點(diǎn)。則O={O1，O2，O3，…,ON}為區(qū)域中心點(diǎn)集。其中N為分水嶺產(chǎn)生的區(qū)域個(gè)數(shù)。由此區(qū)域中心點(diǎn)集O就構(gòu)成了SVM的訓(xùn)練樣本。

1.3 訓(xùn)練樣本的標(biāo)注

自動(dòng)選取的訓(xùn)練樣本并未標(biāo)記類別,本文用選取的訓(xùn)練樣本與分割參考圖對(duì)照進(jìn)行標(biāo)注。這里的分割參考圖由最大類間方差法(Otus法)求得。Otus法是一種經(jīng)典的自適應(yīng)選取閾值的分割方法,其思想是利用圖像中的灰度直方圖,將前景和背景之間的最大方差確定圖像分割閾值。該算法首先提取圖像在HSV空間的H參數(shù),用Otus法得到二值圖,該二值圖需進(jìn)行去雜和填充,但此時(shí)得到的二值圖還不能完全凸顯出目標(biāo)區(qū)域使得前景與背景完全分割開(kāi),該二值圖將作為參照?qǐng)D對(duì)類別進(jìn)行標(biāo)記。我們將選取的訓(xùn)練樣本一一與二值圖對(duì)應(yīng),如果該樣本對(duì)應(yīng)二值圖的前景則標(biāo)記為正類,否則標(biāo)記為負(fù)類。圖1為訓(xùn)練樣本的標(biāo)記說(shuō)明圖,其中(a)為原始圖像,(b)為分水嶺分割圖,(c)為分割參考圖。將圖(b)中選取的訓(xùn)練樣本與圖(c)相對(duì)應(yīng),若該訓(xùn)練樣本在圖(c)中為目標(biāo)區(qū)域,則將訓(xùn)練樣本標(biāo)記為正類,否則標(biāo)記為負(fù)類,如圖(b)中的黑色圓點(diǎn)為我們選取的訓(xùn)練樣本,經(jīng)對(duì)照可知該訓(xùn)練樣本對(duì)應(yīng)分割參考圖的前景,則標(biāo)記為正類,同理,黑色方塊代表的訓(xùn)練樣本對(duì)應(yīng)分割參考圖的背景,則標(biāo)記為負(fù)類。

(a)原始圖像 (b)分水嶺分割圖 (c)分割參考圖Fig.1 Description of training samples圖1 訓(xùn)練樣本的標(biāo)記說(shuō)明圖

1.4 特征向量的提取

基于支持向量機(jī)的圖像分割方法,其本質(zhì)思想就是對(duì)像素點(diǎn)分類。圖像包含的像素信息構(gòu)成了訓(xùn)練樣本和測(cè)試樣本的屬性,如形狀特征、紋理特征、顏色特征、和空間關(guān)系特征。其中將顏色特征作為訓(xùn)練樣本的特征屬性在圖像分割方法中較常使用,但圖像區(qū)域的方向、大小等變化以及顏色空間分布的情況只由顏色特征無(wú)法表示。為了更好地反映圖像的區(qū)域性質(zhì)和像素灰度值得空間分布情況,我們亦可采用圖像的紋理特征。所以本文將圖像的顏色特征和紋理特征共同作為像素點(diǎn)的特征屬性。

(1)顏色特征的提取

彩色圖像在RGB顏色空間下每個(gè)像素點(diǎn)有R、G、B三個(gè)通道的特征值,可以表示為

其中高高聚集區(qū)主要有：中山區(qū)的南部沿地區(qū)海石槽村景區(qū)以及濱海中路秀月峰附近；中山區(qū)北部人民廣場(chǎng)、青泥洼橋、友好廣場(chǎng)、中山廣場(chǎng)、港灣廣場(chǎng)、會(huì)議中心沿線附近，此外還有中山公園、勞動(dòng)公園、大連植物園、東港、威尼斯水城、大連國(guó)際會(huì)議中心區(qū)域；西崗區(qū)主要分布在濱海西路、付家莊公園和金沙坪景區(qū)周圍；沙河口區(qū)南部的星海廣場(chǎng)周圍。

(2)紋理特征的提取

圖像的紋理特征是人眼視覺(jué)的重要組成部分,它可以表達(dá)圖像深度等信息,反映圖像顏色和灰度的變化。Gabor小波[16]是一種重要的特征提取方法,其本質(zhì)思想是基于變換。Gabor小波具有多尺度和多方向性的特點(diǎn),我們利用Gabor小波的特性對(duì)圖像進(jìn)行分析,這樣不僅可以消除冗余信息,還可以有效地將紋理特征提取出來(lái)。Gabor小波在很多方面都有廣泛的應(yīng)用,例如在基于內(nèi)容圖像檢索、模式識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域。

由于Lab顏色空間比RGB顏色空間更接近人類視覺(jué),所以我們用Lab顏色空間表示圖像。圖像的亮度信息由L通道表達(dá),圖像的顏色信息由a和b通道表達(dá)。用Gabor濾波器對(duì)圖像提取局部能量值,即分別對(duì)L、a和b通道進(jìn)行小波變換。此實(shí)驗(yàn)中設(shè)定Gabor濾波器組的方向數(shù)和尺度數(shù)分別為4,因此共有4×4=16個(gè)濾波器,其中方向分別設(shè)定為0°、45°、90°和135°。每個(gè)像素點(diǎn)可對(duì)應(yīng)16個(gè)濾波結(jié)果,我們選取幅值最大的作為該點(diǎn)的取值。

(2)

式中,ψ為幅值矩陣,I為原始圖像,gk為濾波窗口,特征值表示為:

1.5 訓(xùn)練SVM分類器進(jìn)行圖像分割

本文用F(Crj,Cij)表示訓(xùn)練樣本的特征向量,根據(jù)公式(1)計(jì)算出分水嶺產(chǎn)生的各個(gè)區(qū)域的灰度平均值,得到區(qū)域中心點(diǎn)集O={O1,O2,O3，…,ON},其中N為分水嶺產(chǎn)生的區(qū)域個(gè)數(shù)。有了訓(xùn)練樣本后我們對(duì)樣本進(jìn)行類別標(biāo)記,并且將提取的特征向量(顏色和紋理特征)作為特征屬性,然后對(duì)SVM模型進(jìn)行訓(xùn)練,最后用訓(xùn)練好的SVM分類器對(duì)所有像素點(diǎn)進(jìn)行分類,即分割圖像。本次實(shí)驗(yàn)中為了便于觀察,我們讓前景顯示為黑色,背景顯示為白色,也就是將分為正類的像素點(diǎn)的RGB三個(gè)分量值均置為0,將分為負(fù)類的像素點(diǎn)的RGB三個(gè)分量值均置為255,得到最終的分割圖像。

(Ⅰ)原圖 (Ⅱ)改進(jìn)分水嶺分割圖 (Ⅲ)Otus閥值分割圖 (Ⅳ)最終分割結(jié)果圖 (Ⅴ)最終分割結(jié)果圖Fig.2 Segmentation process and result of color image圖2 彩色圖像的分割過(guò)程及結(jié)果

圖2的彩色圖像來(lái)自互聯(lián)網(wǎng),分步說(shuō)明本文方法的分割過(guò)程和結(jié)果。(Ⅰ)為原始圖像,(Ⅱ)為改進(jìn)的分水嶺方法分割圖。由于噪聲和梯度等局部不規(guī)則性使得分水嶺的過(guò)分割現(xiàn)象較為嚴(yán)重,會(huì)產(chǎn)生大量不可用的分割區(qū)域,這里我們對(duì)分水嶺算法進(jìn)行改進(jìn),用控制標(biāo)記符方法限制分割區(qū)域個(gè)數(shù)。(Ⅲ)為Otus閾值法分割圖。(Ⅳ)為分割參考圖。(Ⅴ)最終分割結(jié)果圖。

2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)環(huán)境為 MATLAB R2015a。實(shí)驗(yàn)中用到的所有圖像均為自然彩色圖像,自于加州大學(xué)伯克利分校圖像數(shù)據(jù)庫(kù)[17]和互聯(lián)網(wǎng)。來(lái)自互聯(lián)網(wǎng)的圖像大小為800×532,來(lái)自伯克利圖像數(shù)據(jù)庫(kù)的圖像大小為481×321。為了更好地驗(yàn)證本文算法性能,本次實(shí)驗(yàn)采用近100幅彩色圖像進(jìn)行算法驗(yàn)證,為了便于說(shuō)明,這里僅選取其中6幅圖像的分割結(jié)果。其中將多項(xiàng)式核函數(shù)作為支持向量機(jī)模型。

為了分析不同閾值對(duì)分水嶺算法分割圖像的影響,進(jìn)而導(dǎo)致最終分割結(jié)果圖的不同,本文分別選取閾值為6、11、16、21進(jìn)行實(shí)驗(yàn),圖3列出了本文算法在不同閾值取值下的分割結(jié)果。第一行的4幅圖為用改進(jìn)后分水嶺算法在不同閾值下得到的分割結(jié)果,第二行為本文方法分割結(jié)果。從圖中的實(shí)驗(yàn)結(jié)果可以看出,隨著閾值的不斷增大,分割區(qū)域數(shù)目不斷減少,閾值h是影響分割結(jié)果的重要參數(shù),分水嶺分割區(qū)域個(gè)數(shù)以及SVM訓(xùn)練樣本的個(gè)數(shù)均由閾值h決定。實(shí)驗(yàn)結(jié)果從視覺(jué)上來(lái)看當(dāng)閾值h=6時(shí),所得到的分割最好。

Fig.3 Results of the segmentation at different thresholds by watershed圖3 分水嶺分割時(shí)不同閾值得到的分割結(jié)果

Fig.4 Comparison between the results of segmentation by this paper and manual segmentation圖4 本文方法分割結(jié)果與人工分割結(jié)果比較

圖4是本文分割結(jié)果與人工分割結(jié)果的對(duì)比,從來(lái)自加州大學(xué)伯克利分校圖像數(shù)據(jù)庫(kù)中的100幅自然彩色圖像的分割效果圖中選取5幅進(jìn)行說(shuō)明比較。(Ⅰ)為原始彩色圖像;(Ⅱ)為采用傳統(tǒng)SVM方法分割圖像時(shí)人工選取的樣本點(diǎn)。實(shí)驗(yàn)中選取前景點(diǎn)和背景點(diǎn)各50個(gè),所選的點(diǎn)基本分布均勻;(Ⅲ)為傳統(tǒng)SVM方法人工分割結(jié)果;(Ⅳ)為文獻(xiàn)[7]方法分割結(jié)果。(Ⅴ)為本文方法分割結(jié)果。圖像(A)-(E)閾值h設(shè)為6,圖像(E)閾值h設(shè)為47。(Ⅵ)為數(shù)據(jù)圖像庫(kù)中人工標(biāo)注結(jié)果。從圖(Ⅲ)中可以看出,第1幅圖的分割結(jié)果較不理想,很多背景點(diǎn)被當(dāng)作目標(biāo)區(qū)域,第3幅圖整體分割結(jié)果較為清晰,但有些細(xì)節(jié)部分如圓形紅色房頂未能凸顯。第2幅圖和第4幅圖,分割效果模糊,不能有效突出前景,效果并不理想。第5幅圖分割效果較好。為了驗(yàn)證訓(xùn)練樣本個(gè)數(shù)對(duì)分割結(jié)果的影響,我們將訓(xùn)練樣本前景點(diǎn)和背景點(diǎn)分別設(shè)定為30和100,所得實(shí)驗(yàn)結(jié)果沒(méi)有太大差別,說(shuō)明訓(xùn)練樣本的個(gè)數(shù)對(duì)分割效果的影響較小,而訓(xùn)練樣本的分布情況對(duì)分割效果的影響較大。由此可知基于SVM的圖像分割方法的分割性能取決于訓(xùn)練樣本的選取,人工選取訓(xùn)練樣本隨機(jī)性較大,導(dǎo)致分割結(jié)果大不相同。文獻(xiàn)[7]方法是通過(guò)模糊c均值聚類算法先將像素點(diǎn)分類,然后在兩類樣本中隨機(jī)選取訓(xùn)練樣本。從分割結(jié)果可以看出,第1、2和4幅圖分割效果較好,目標(biāo)區(qū)域較為突出,但第3和第5幅圖分割較不清晰,可以說(shuō)明訓(xùn)練樣本的分布情況會(huì)直接影響SVM模型分割圖像的結(jié)果。通過(guò)對(duì)不同彩色圖像的分割結(jié)果比較可以看出,本文方法和前兩種方法相比分割效果更好,目標(biāo)區(qū)域更清晰,針對(duì)不同特點(diǎn)的圖像都能得到很好的分割結(jié)果,突出目標(biāo)區(qū)域,有效地將前景和背景分割開(kāi),分割結(jié)果與人工分割結(jié)果基本一致。

為了進(jìn)一步評(píng)價(jià)本文方法的性能,本文采用分類正確率accuracy描述圖像的分割性能,定義如下:

(3)

其中FT表示前景點(diǎn)分類正確的個(gè)數(shù),FF表示前景點(diǎn)分類錯(cuò)誤的個(gè)數(shù),BT表示背景點(diǎn)分類正確的個(gè)數(shù),BF表示背景點(diǎn)分類錯(cuò)誤的個(gè)數(shù)。

表1列出了圖4(a)中(A)-(E)五幅圖像分別選取不同閾值時(shí)所得訓(xùn)練樣本個(gè)數(shù)及分類正確率。圖4(A)-(D)的閾值設(shè)定為6、11、16和21,圖(E)的閾值設(shè)定為46、51、56和61。這里的閾值設(shè)定并沒(méi)有統(tǒng)一的標(biāo)準(zhǔn),主要根據(jù)圖像的性能來(lái)設(shè)定。從表中可以看出,分類正確率和訓(xùn)練樣本個(gè)數(shù)與閾值的大小有直接的關(guān)系。隨著閾值不斷越大,訓(xùn)練樣本的個(gè)數(shù)不斷越少,分類正確率也不斷降低。圖4(A)-(C)在閾值設(shè)為6、11、16和21時(shí)分類正確率基本一致,隨著閾值的不斷增大圖4(D)的分類正確率不斷降低,由于圖(E)的彩色飽和度較高,我們將閾值設(shè)定為46、51、56和61,在閾值取值為46、51和61時(shí)分類正確率較高,隨著閾值的不斷增加導(dǎo)致分類正確率不斷降低。圖4中的5副圖像在閾值設(shè)置最優(yōu)時(shí),自動(dòng)選取的訓(xùn)練樣本個(gè)數(shù)與圖像像素點(diǎn)個(gè)數(shù)的比例分別為:0.12%、0.28%、0.38%、0.12%和0.29%。通過(guò)上述比較可以看出本文方法在選取較少訓(xùn)練樣本個(gè)數(shù)的情況下仍可得到較高分類正確率。

表1 圖4中(A)-(E)五幅圖在不同閾值下所得訓(xùn)練樣本個(gè)數(shù)和分類正確率Table 1 Fig.4(A)-(E)five pictures at different thresholds under the number of training samples and classification accuracy rate

(4)

(5)

(6)

3 結(jié)束語(yǔ)

本文提出一種基于分水嶺的圖像分割訓(xùn)練樣本的自動(dòng)選擇和標(biāo)注算法。訓(xùn)練樣本的自動(dòng)選擇是基于分水嶺算法,且通過(guò)與分割參考圖對(duì)照進(jìn)行類別標(biāo)注,實(shí)現(xiàn)了彩色圖像的自動(dòng)分割。本文方法不僅從視覺(jué)效果上可以直觀看到較好的分割結(jié)果,從數(shù)據(jù)統(tǒng)計(jì)上也可得到很好的驗(yàn)證。但是仍有一些圖像分割效果并不理想,這些圖像有的顏色種類太多,有的背景較為復(fù)雜,所以如何使算法更具普遍性是未來(lái)研究的重點(diǎn)。

[1] Ong S H,Yeo N C,Lee K H,etal.Segmentation of Color Images Using A Two-stage Self-organizing Network[J].ImageandVisionComputing,2002,20(4):279-289.DOI:10.1016/S0262-8856(02)00021-5.

[2] Tremeau A,Borel N.A Region Growing and Merging Algorithm to Color Segmentation[J].PatternRecognition,1997,30(7):1191-1203.DOI:10.1016/S0031-3203(96)00147-1.

[3] Zahid N,Limouri M.Essaid A.A New Cluster-validity for Fuzzy Clustering[J].PatternRecognition,1999,32(7):1089-1097.DOI:10.1109/ICPR.2010.575.DOI:10.1016/S0031-3203(98)00157-5.

[4] Ohlander R,Price K,Raj R D.Picture Segmentation Using A Recursive Region Splitting Method[J].ComputerGraphicsandImageProcessing,1978,8(3):313-333.DOI:10.1016/0146-664X(78)90060-6.

[5] Fan J,Aref W G,Hacid M S，etal.An Improved Automatic Isotropic Color Edge Detection Technique[J].PatternRecognitionLetters，2001,22(13):1419-1429.DOI:10.1016/S0167-8655(01)00082-4.

[6] Vapnik V N.The Nature of Statistical Learning Theory[M].New York:Springer-Verlag，1995.DOI:10.1007/978-1-4757-3264-1.

[7] 張榮,王文劍,白雪飛.基于訓(xùn)練樣本自動(dòng)選取的SVM彩色圖像分割方法[J].計(jì)算機(jī)科學(xué).2012,39(11):267-271.DOI:10.3969/j.issn.1002-137X.2012.11.063.

[8] Yu Zhiwen,Wong Hausan,Wen Guihua.A Modified Support Vector Machine and Its Application to Image Segmentation[J].ImageandVisionComputing,2011,29(1):29-40.

[9] Bai X,Wang W.Principal Pixel Analysis and SVM for Automatic Image Segmentation[J].NeuralComputingandApplications,2016,27(1):45-58.DOI:10.1007/s00521-013-1544-2.

[10] Nichat A M,Ladhake S A.Brain Tumor Segmentation and Classification Using Modified FCM and SVM Classifier[J].Brain,2016,5(4).

[11] 張榮.基于訓(xùn)練樣本自動(dòng)選取的SVM彩色圖像分割方法研究[D].太原：山西大學(xué),2013.

[12] Vincent L,Soille P.Waters Heds in Digital Spaces:an Efficientalgorithm Based on Immersion Simulations[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1991,13(6):583-598.

[13] Gao H,Siu W,Hou C.Improved Techniques for Automatic Image Segmentation[J].IEEETrans.onCir-cuitsandSystemsforVideoTechnology,2001,11(12):1273-1280.DOI:10.1109/76.974681.

[14] O’Callaghan R J,Bull D R.Combined Morphological-spectral Unsupervised Image Segmentation [J].IEEETransonImageProcessing,2005,14(1):49-62.

[15] Gonz Lez R C,Woods R E.Digital Image Processing[M].Upper Saddle River:PrenticeHall,2008.

[16] 張剛,馬宗民.一種采用Gabor小波的紋理特征提取方法[J].中國(guó)圖像圖形學(xué)報(bào)，2010，15(2):247-254.DOI:10.11834/jig.20100210.

[17] Fowlkes C,Martin D,Malik J.Local Figure-Ground Cues are Valid for Natural Images[J].JournalofVision，2007,7(8):1-9.DOI:10.1167/7.8.2.

AutomaticSelectionandLabelofTrainingSamplesoftheImageSegmentationBasedonWatershed

ZHANG Rong1,ZHANG Shuo2

(1.ShanxiMedicalUniversity,Taiyuan030001,China;2.ShanxiYouthVocationalCollege,Taiyuan030032,China)

Image segmentation is an important research field of pattern recognition, image understanding and computer vision. Support vector machine (SVM) is widely used now in image segmentation, but the training samples are usually selected artificially,which will reduce the self-adaptability and affect the classification performance of image segmentation. How to automatically select enough and well distributed training samples and label categories are the emphasis of the image segmentation approach based on SVM. This paper presents an automatic approach to select and label training samples for the image segmentation based on watershed.The center of the watershed segmentation region can be regarded as the training sample of the support vector machine, and the selected training samples are divided into the pixel points in the reference image.Moreover,the training samples are trained, and the color feature and texture feature of the image are selected as the characteristic attributes of the training samples. The color image came from the Berkeley image database and the Internet. The experimental results show that the proposed method can get good segment results.

image segmentation;watershed;support vector machine

10.13451/j.cnki.shanxi.univ(nat.sci.).2017.04.015

2016-12-06；

2017-02-23

山西省青年科技研究基金(2015021091);高等學(xué)校科技創(chuàng)新項(xiàng)目(2015109)

張榮(1987-),女,助教,碩士,研究方向?yàn)闄C(jī)器學(xué)習(xí)及圖像處理。E-mail:zhangrong429@163.com

TP319

A

0253-2395(2017)04-0756-07